Uzun süre boyunca finansal makine öğreniminde doğal soru hangi modelin en iyi performansı gösterdiğiydi — gradient boosting, LSTM, Transformer'lar ya da başka bir şey. 2026'da giderek büyüyen bir araştırma birikimi farklı bir soruya işaret ediyor: o modeli galip ilan eden deneyin kendisine hiç güvenilebilir mi?

Yakın zamandaki çalışmalar bu farkın ne kadar büyük olabileceğini gösteriyor. 22 Temmuz 2026'da yayımlanan "Quantifying Backtest Overfitting from Information Leakage" adlı çalışmada yazarlar, finansal bir ML pipeline'ına kasıtlı olarak bilgi sızıntısı eklemiş, ardından walk-forward doğrulaması ve bir zaman embargosu kullanarak bunu adım adım kaldırmışlardır. Sonuç, "sızıntı metrikleri şişirir" şeklindeki tanıdık iddiadan daha önemliydi: bozulmanın büyüklüğü, hatta yönü bile mimariye ve doğrulama rejimine bağlıydı. Başka bir deyişle, küçük bir teknik hassasiyetsizliğin sonucu sadece hafifçe iyileştirdiği varsayılamaz — deneyin sonucunu tamamen değiştirebilir.

20 Temmuz'da yayımlanan ikinci bir çalışma, "Evaluation Integrity in Machine Learning for Finance", sorunu daha da geniş çerçeveliyor. Yazarlar, veri toplama ve öznitelik oluşturmadan model seçimine, backtestlemeye ve sürekli izlemeye kadar tüm finansal ML sürecini doğrulanması gereken tek bir sistem olarak ele alıyor. Ana nokta basit: sızıntı, seçim yanlılığı, backtest aşırı uyumu ve tekrarlanabilirlik sorunları tek bir yerden gelmiyor. Bu nedenle kalite kontrolü, yalnızca modelin nihai testini değil, tüm pipeline'ı kapsamalıdır.

Karar anına bağlı ayrı bir sorun da var. "When Alpha Disappears" makalesi, zamansal semantikte görünüşte küçük bir değişikliğin — örneğin karar anında aslında mevcut olmayan bilginin kullanılmasının — finansal backtest sonuçlarını anlamlı şekilde değiştirebileceğini gösteriyor. Yazarlar, bu etkileri her seferinde tek bir varsayımı değiştirip geri kalan her şeyi sabit tutarak teşhis etmeyi öneriyor.

Kripto piyasaları için ek bir katman daha var: gerçekçi yürütme. BTC/USDT üzerine 2026 tarihli bir çalışma olan "Machine Learning-Based Bitcoin Trading Under Transaction Costs", ML modellerini bir walk-forward kurulumunda karşılaştırdı ve güçlü brüt sonuçların, işlem maliyetleri hesaba katıldığında illa ekonomik olarak uygulanabilir bir stratejiye dönüşmediğini buldu. Yazarlar ayrıca, bir mimarinin diğerine göre istatistiksel üstünlüğünün, tek başına öne çıkan metriklerin düşündürebileceğinden çok daha az net olduğunu belirtiyor.

Bu anlamlı bir değişim. Sofistike bir model artık bir sistemin teknik olarak olgun olduğunun yeterli kanıtı değil. Daha güçlü standart farklı görünüyor:

Model, karar anında gerçekte ne bilebilirdi?

Geçmiş ve gelecek nasıl ayrıldı?

Test bilgisi, ön işleme veya model seçiminin herhangi bir yerinde kullanıldı mı?

Simülasyon, gerçek olay sırasıyla eşleşiyor mu?

Sonuç, farklı dönemler ve koşullar genelinde geçerliliğini koruyor mu?

Gerçek maliyetler hesaba katılıyor mu?

Kontrol bağımsız olarak tekrarlanabilir mi?

Bu yüzden Tantoryn AI'de araştırma disiplini, eğitimden sonra eklenen nihai bir kontrol değil, mimarinin bir parçası olarak ele alınır. Proje kamuya açık olarak zaten bir dizi ilkeye bağlı kalır: kronolojik doğrulama, nedensel yeniden kurgu, sızıntı kontrolü, önceden sabitlenmiş değerlendirme kuralları, dayanıklılık testi ve önemli sonuçların bağımsız doğrulanması. Bunların hiçbiri bir kârlılık iddiası değildir — Tantoryn AI, gerçek emir yürütmenin devre dışı olduğu live-paper/sanal işlem modunda çalışan Erken Genel Beta aşamasında kalmaya devam ediyor.

Burada iyi bir sonuç ile güvenilebilecek bir sonuç arasında önemli bir ayrım var. İlki hızlıca ortaya çıkabilir. İkincisi ise kısıtlamalar, olumsuz deneyler, geçici olarak ayrılmış veriler ve doğrulama bir sorun ortaya çıkarırsa bir sonuçtan vazgeçme isteği gerektirir.

Trading'de AI/ML için, bu disiplin bir sonraki yeni mimariden daha önemli bir avantaj olarak ortaya çıkabilir.

Tantoryn AI'de biz aynı sırayı koruyoruz: önce kanıt, sonra sonuç. Tersi değil.